具身智能热潮下的隐忧：量产元年与生存考验

具身智能领域正经历着迅猛的发展，然而，距离实现类似“ChatGPT时刻”的突破仍存在显著差距。多位专注于具身赛道的投资人在接受经济观察报采访时指出，未来可能迎来一轮“资本寒冬”，融资环境或将收紧，行业热度消退后将对商业模式与技术路径进行严苛筛选。如何在接下来的挑战中生存下去，将成为具身智能企业共同面临的难题。

至2025年底，具身智能行业正被两种截然相反的力量所驱动。

一方面是久违的资本热潮。人形机器人被寄予厚望，被视为“下一个万亿级终端市场”，资本的追捧持续升温。根据第三方数据机构IT桔子统计，今年前三季度国内机器人领域融资总额已达386.24亿元，相当于2024年全年总量的1.8倍。自11月以来，原力灵机、星尘智能、加速进化等公司相继宣布完成新一轮融资，投资人的关注点也从概念转向商业化的实际进展与可验证的价值创造。这股热度同样传导至产业端，新产品层出不穷，头部厂商频频宣称斩获上千台“商业化大单”，“量产元年”的说法不绝于耳。

另一方面，不容忽视的风险也在积聚。硅谷明星企业K-Scale Labs因资金链断裂，超过百份预购订单被迫退款；国内创业公司一星机器人也宣告解散。这两家企业成立均不足一年，且曾获得多轮融资。这些案例让行业清醒地认识到，“量产元年”未必是行业拐点的标志，反而更像一场集体的生存考验。

这两种力量共同揭示了一个核心事实：具身智能虽然正加速成长，但距离真正意义上的“ChatGPT时刻”仍有相当长的路要走。多位具身赛道投资人向经济观察报表示，接下来可能出现“寒冬”，融资将趋于谨慎，热潮过后将迎来对商业模式和技术路线的全面洗牌。如何实现可持续发展，将成为具身智能企业的核心命题。

量产需辨别真实需求与伪需求

过去一年，人形机器人的能力进化可谓“日新月异”。2024年还只能稳定站立的机器人，如今已能完成连续空翻、跑完数小时马拉松，甚至现场拖动车辆等惊人动作。

然而，这些令人赞叹的演示并不意味着真正的可用性。几乎所有受访者都表达了相似观点：具身智能距离真正进入高强度、长周期、可复购的实际应用场景，仍有显著差距。

在智源具身2025 OpenDay现场，智源研究院院长王仲远举了一个典型案例：他们采购了某款机器人10台，仅一两个月就损坏了5台。“硬件的稳定性仍停留在科研阶段。”他补充说，在实验室中，机械臂常常因过热保护而频繁停机，有的机器人甚至需要旁边放置电风扇降温，“像给它配了一个保姆”。他认为，“机器人满街跑”的景象在未来两三年内不太可能出现。这是硬件层面的现实，也是规模化部署最直接的障碍。

模型侧的瓶颈同样突出。具身大模型在控制精度、跨环境泛化、操作一致性等方面仍处于早期探索阶段，工具链不完善，部署标准尚未统一。要让机器人在真实场景中连续执行两个小时的任务，远比在展台上完成一次性动作困难得多。

因此，王仲远提醒业界，必须分辨当前的“量产”究竟是源于真实的市场需求，还是由政策补贴和投资热度催生的虚假繁荣。如果场景方发现机器人无法达到预期，热度会迅速消退，甚至可能引发阶段性的泡沫与低谷。“我经常对创始人说的一句话是‘先活下来，熬过可能出现的寒冬，才能迎来真正具身智能的未来’。”

在资本、技术和企业的共同推动下，2025年的行业呈现出井喷态势：多家企业发布新模型、新硬件，高薪招揽人才的消息不绝于耳。

原力灵机联合创始人唐文斌将今年称为“涌现之年”——公司、技术与资金在同一时间大量涌现，进展远超预期。但他同时观察到行业中的另一面：出现了许多“神奇的订单”。一些项目金额可观，表面上像是商业化大单，但仔细分析却难以解释它们究竟解决了什么实际问题，能否形成复购，是否真正帮助企业降低成本或提升效率。他提醒，量产不能依靠堆砌设备，而必须基于问题是否被真正解决。

在判断一个场景是否值得进入时，他提出了三条标准：首先，技术路线不能过早锁死。为了抢占第一波订单，一些企业急于让机器人适配某个高度定制的垂直场景，但这种做法往往牺牲了模型的泛化能力，导致后续难以拓展其他应用。

其次，应从容错率高、对时间不敏感的场景切入。早期机器人无法做到“零失误”，跨环境操作更需要时间优化，因此行业应优先选择容忍度高的场景，通过真实部署将可用性从90%逐步提升到95%、100%。

最后，需求必须足够大且强烈，才能验证价值、摊薄成本，并形成真正的商业闭环。否则，再大的订单量也可能只是阶段性堆积，难以持续。

在需求侧，采购方的判断更为直接。一位大型企业的具身智能项目负责人表示，他们只看三个指标：是否解决高复杂度、高危险性、高成本的问题。此外，机器人必须能实现7×24小时稳定运行，具备连续工作、防水防尘、环境适应等基础能力。“我问过不少厂家，很多还没有真正考虑这些指标。”他说。在他看来，这些看似基础的工程指标，才是机器人能否进入可复购阶段的关键。

高质量数据极度稀缺

从Demo走向规模化应用，最终都指向同一个难题：高质量数据的极度稀缺。

与大语言模型诞生前夕拥有海量文本、图像数据不同，具身智能走的是另一条路：每一份关键数据都来自机器人与真实世界的交互，而这种数据比文本稀缺得多、成本也更高。

今年年初，不少人判断具身智能行业大致处于类似大语言模型GPT-1到GPT-2的阶段，直至目前临近机器人GPT-3时刻，模型能力有明显提升，但离真正理解世界还有很长距离。

银河通用创始人王鹤透露一个关键事实：全球今天真正运行在人类工作场景里的机器人，可能还不到1000台。这个数量远不足以支撑一个行动优先的模型体系。银河通用的策略是，短期内仿真模拟与合成数据仍将承担更多探索任务；长期来看，必须让机器人真实部署量级成百上千倍增长。

智元机器人合伙人、首席科学家罗剑岚提到，未来的数据生态应该依靠机器人自己生产。他的设想是，将规模化的机器人投放到真实环境，让它们与世界持续交互，由此生成覆盖广、时序长、结构复杂的真实物理数据，再用这些数据反哺模型训练，形成一个自我进化的闭环。

自变量创始人王潜则提醒，行业对数据的认知正在发生变化。并不是数据越多越好，而是“越有效越好”。语言模型时代已证明，高质量、结构一致的数据往往比堆量更有作用。而在物理世界中更是如此，这里充满接触、摩擦、碰撞等细节，很难用语言或图片描述。如果模型无法理解这些基础物理过程，就无法建立对世界的可靠预期。因此，他判断，未来真正主导多模态方向的，可能是由具身智能推动的新型物理世界基础模型。这将是一条与大语言模型不同的发展路径。

复盘大语言模型的发展，可以看到三个条件缺一不可——算法、算力、数据同时达到临界点。在具身智能领域，这三个条件尚未同时成熟：算法仍处在可用性探索阶段；训练具身智能的算力体系仍薄弱；数据规模和数据质量远未达到临界点。

换句话说，具身智能的未来正在加速到来，但它仍处在黎明前的阶段。热度很高，能力很强，但离真正的产业化黄金时期，还有一段漫长的距离。